library(tidyverse)
library(eph)
library(spatstat)
options(scipen = 9999)
options(dplyr.summarise.inform = FALSE)En la clase de hoy vamos a explorar nuevas formas de procesar una base de datos y visualizar nuestros resultados.
En particular, vamos a introducir el paquete plotly para generar visualizaciones interactivas.
Por último, vamos a trabajar con funciones e iteraciones para escalar nuestra capacidad de análisis de datos y presentación de resultados.
La visualización interactiva va a permitir que los usuarios de nuestras visualizaciones puedan explorar nuestros resultados con mayor libertad. Es decir, van a permitir que cada usuario pueda analizar con mayor detalle lo que más le interesa.
Vamos a volver a trabajar con la base de EPH para encontrar la brecha salarial entre varones y mujeres para cada sector productivo, y luego vamos a graficarlo interactivamente.
base <- eph::get_microdata(year = 2019,
trimester = 1,
type = "individual",
destfile = "bases_fuentes/eph_2019_T1.rds") %>%
organize_caes()%>% #recodifica la variable que indica el sector de la ocupación
select(ESTADO,"SEXO" = CH04, "Ing_Ocup_Principal"= P21, PONDIIO,caes_eph_label, "Horas" = PP3E_TOT) %>%
mutate(ESTADO = case_when(ESTADO == 1 ~ "Ocupado",
ESTADO == 2 ~ "Desocupado",
ESTADO == 3 ~ "Inactivo",
ESTADO == 4 ~ "Menor de 10 años"),
SEXO = case_when(SEXO == 1 ~ "Varones",
SEXO == 2 ~ "Mujeres")) %>%
filter(Ing_Ocup_Principal != -9) %>% #valor de no respuesta
filter(ESTADO == "Ocupado")Calculamos el ingreso medio de los trabajadores de cada sexo y sector, y luego la brecha. También vamos a tener en cuenta en qué sectores las mujeres tienen una participación mayor.
# Aclaración: el ponderador para la variable de ingreso de la ocupación
# proncipal es PONDIIO
ingresos <- base %>%
filter(Ing_Ocup_Principal > 0) %>%
group_by(SEXO, caes_eph_label) %>%
summarise(Ingreso_medio = weighted.mean(Ing_Ocup_Principal, PONDIIO, na.rm = T)) %>%
pivot_wider(id_cols = caes_eph_label, names_from = SEXO, values_from = Ingreso_medio) %>%
mutate(Brecha = ((Varones - Mujeres)/Varones))
participacion <- base %>%
group_by(SEXO, caes_eph_label) %>%
summarise(Casos = n()) %>%
ungroup() %>%
group_by(caes_eph_label) %>%
mutate(Total = sum(Casos), Prop = (Casos/Total) * 100) %>%
filter(SEXO == "Mujeres") %>%
select(caes_eph_label, Prop)
ingresos <- ingresos %>%
left_join(., participacion, by = "caes_eph_label")
ingresos## # A tibble: 14 x 5
## caes_eph_label Mujeres Varones Brecha Prop
## <fct> <dbl> <dbl> <dbl> <dbl>
## 1 Actividades primarias 26607. 38218. 0.304 10.8
## 2 Industria manufacturera 15351. 23005. 0.333 30.5
## 3 Construccion 17316. 15654. -0.106 3.05
## 4 Comercio 14916. 20068. 0.257 40.3
## 5 Hoteles y restaurantes 11952. 15263. 0.217 49.6
## 6 Transporte, almacenamiento y comunicaciones 24106. 26564. 0.0925 14.3
## 7 Servicios financieros, de alquiler y empresari~ 23430. 27491. 0.148 40.8
## 8 Administracion publica, defensa y seguridad so~ 25803. 27890. 0.0748 43.9
## 9 Ensenanza 19573. 22295. 0.122 74.4
## 10 Servicios sociales y de salud 24354. 34723. 0.299 68.0
## 11 Servicio domestico 6844. 5779. -0.184 96.1
## 12 Otros servicios comunitarios, sociales y perso~ 10810. 20931. 0.484 44.7
## 13 Otras ramas 29610. 26477. -0.118 13.5
## 14 Actividades no bien especificadas 23731. 28258. 0.160 23.9Para graficar nuestros resultados, vamos a recurrir al paquete plotly. Este paquete nos ayuda a crear gráficos interactivos (y puede utilizarse en combinación con ggplot para transformar un gráfico no interactivo en un gráfico interactivo).
library(plotly)En nuestro gráfico, vamos a graficar el ingreso medio de cada sector productivo para trabajadores de cada sexo, coloreando cada burbuja de acuerdo con la magnitud de la brecha, y determinando el tamaño de la burbuja según la proporción de trabajadoras mujeres en el sector.
plot_ly(ingresos, x = ~Mujeres, y = ~Varones,
color = ~Brecha, colors = 'Spectral',
type = 'scatter', mode = 'markers', marker = list(size = ~Prop, opacity = 0.9),
hoverinfo = 'text',
text = ~paste(caes_eph_label, '<br>Mujeres:', paste0("$",round(Mujeres,1)), '<br>Varones:', paste0("$",round(Varones,1)), '<br>Brecha:', paste0(round(Brecha*100,1), "%"), '<br>Proporción de trabajadoras mujeres:', paste0(round(Prop,1), "%"))
) %>%
layout(title = 'Ingreso medio y brecha salarial por sector productivo',
xaxis = list(showgrid = FALSE),
yaxis = list(showgrid = FALSE))¿Qué análisis podemos hacer de la información representada?
La iteración y las funciones nos van a permitir reducir la duplicación en el código (copiar y pegar las mismas instrucciones).
¿Por qué reducir la duplicación?
Es más fácil entender tu código (para vos en otro momento, o para un tercero).
Es más simple realizar cambios y encontrar errores.
Además, van a potenciar nuestro trabajo con R, permitiéndonos escalar la cantidad de procesamientos y visualizaciones que podemos obtener a partir del análisis de una base de datos en muy poco tiempo.
La iteración es una herramienta para repetir la misma tarea con múltiples inputs (variables, conjuntos de datos, etc.).
Un loop es una estructura de código que nos permite aplicar iterativamente un mismo conjunto de comandos, variando el valor de una variable. Su estructura general es la siguiente:
for (variable in vector) {
# Operaciones
}El nombre que definamos para la variable debe ser el mismo que utilicemos para realizar las operaciones dentro del loop, pero puede ser cualquiera (x,i,planta,supercalifragil, etc).
Por ejemplo:
for (x in 1:5) {
print(x * x)
}## [1] 1
## [1] 4
## [1] 9
## [1] 16
## [1] 25Lo que hizo el código fue crear una variable x, que fue tomando los valores 1, 2, 3, 4 y 5, y en cada caso multiplicándose por sí misma.
En nuestro loop pueden intervenir también objetos que hayamos definido previamente.
Por ejemplo:
b <- 10
for (x in 1:5) {
print(x + b)
}## [1] 11
## [1] 12
## [1] 13
## [1] 14
## [1] 15Una herramienta que vamos a utilizar mucho es la función seq(), que permite generar una secuencia de números (que vamos a utilizar para iterar). Por default, si ingresamos un único número como argumento, genera una secuencia desde 1 hasta ese número.
seq(3)## [1] 1 2 3for (i in (seq(3))) {
print(i)
}## [1] 1
## [1] 2
## [1] 3¿Cuándo podríamos usar esto? En operaciones de subsetting o slicing
# defino el vector
vec <- c("a", "b", "c")
# ¿cuántos elementos tiene?
length(vec)## [1] 3# Convierto cada elemento al mismo elemento en mayúscula
for (letra in (seq(length(vec)))) {
vec[letra] <- toupper(vec[letra])
}
# ¿Cómo quedó?
vec## [1] "A" "B" "C"¿Qué pasó? Nuestro loop fue avanzando sobre los elementos de vec, reemplazándolos por el mismo valor en mayúscula. Por ejemplo, al vec[1] = “a”, lo transformó en “A”.
Veamos cómo puede ser útil para un procesamiento.
Si tenemos una base de datos con información sobre distintos tipos de población, podemos querer generar una medida resumen para cada segmento de la población.
Por ejemplo, supongamos que queremos llevar a cabo un análisis más detallado de la distribución de los ingresos por sexo para cada rama de actividad:
vector_valores <- unique(base$caes_eph_label)
# En esta lista vamos a guardar nuestros resultados
resultados <- list()
for (valor in (seq(length(vector_valores)))) {
tabla_resumen <- base %>%
filter(caes_eph_label == vector_valores[valor]) %>%
filter(Ing_Ocup_Principal > 0) %>%
group_by(SEXO) %>%
summarise(sector = unique(caes_eph_label), max_ing = max(Ing_Ocup_Principal,
na.rm = T), min_ing = min(Ing_Ocup_Principal, na.rm = T), media_ing = weighted.mean(Ing_Ocup_Principal,
PONDIIO, na.rm = T), mediana_ing = weighted.median(Ing_Ocup_Principal,
PONDIIO, na.rm = T))
resultados[[valor]] <- tabla_resumen
}
# Veamos una de las tablas que generamos:
resultados[[3]]## # A tibble: 2 x 6
## SEXO sector max_ing min_ing media_ing mediana_ing
## <chr> <fct> <int> <int> <dbl> <dbl>
## 1 Mujeres Servicios financieros, de alqui~ 100000 450 23430. 20000
## 2 Varones Servicios financieros, de alqui~ 300000 300 27491. 22000También podemos presentar nuestros resultados de una manera más amigable con quien está leyendo, o listo para copiar e incluir en un informe:
for (valor in (seq(length(vector_valores)))) {
print(paste0("Para el sector ", unique(resultados[[valor]]$sector), ", el ingreso máximo alcanzado por un varón fue de $",
resultados[[valor]]$max_ing[resultados[[valor]]$SEXO == "Varones"], ". Para las mujeres, por otro lado, fue de $",
resultados[[valor]]$max_ing[resultados[[valor]]$SEXO == "Mujeres"]))
}## [1] "Para el sector Actividades primarias, el ingreso máximo alcanzado por un varón fue de $250000. Para las mujeres, por otro lado, fue de $80000"
## [1] "Para el sector Construccion, el ingreso máximo alcanzado por un varón fue de $200000. Para las mujeres, por otro lado, fue de $75000"
## [1] "Para el sector Servicios financieros, de alquiler y empresariales, el ingreso máximo alcanzado por un varón fue de $300000. Para las mujeres, por otro lado, fue de $100000"
## [1] "Para el sector Transporte, almacenamiento y comunicaciones, el ingreso máximo alcanzado por un varón fue de $290000. Para las mujeres, por otro lado, fue de $70000"
## [1] "Para el sector Ensenanza, el ingreso máximo alcanzado por un varón fue de $100000. Para las mujeres, por otro lado, fue de $70000"
## [1] "Para el sector Administracion publica, defensa y seguridad social, el ingreso máximo alcanzado por un varón fue de $150000. Para las mujeres, por otro lado, fue de $200000"
## [1] "Para el sector Comercio, el ingreso máximo alcanzado por un varón fue de $300000. Para las mujeres, por otro lado, fue de $100000"
## [1] "Para el sector Servicio domestico, el ingreso máximo alcanzado por un varón fue de $15000. Para las mujeres, por otro lado, fue de $40500"
## [1] "Para el sector Industria manufacturera, el ingreso máximo alcanzado por un varón fue de $200000. Para las mujeres, por otro lado, fue de $200000"
## [1] "Para el sector Hoteles y restaurantes, el ingreso máximo alcanzado por un varón fue de $60000. Para las mujeres, por otro lado, fue de $35000"
## [1] "Para el sector Otros servicios comunitarios, sociales y personales, el ingreso máximo alcanzado por un varón fue de $250000. Para las mujeres, por otro lado, fue de $80000"
## [1] "Para el sector Servicios sociales y de salud, el ingreso máximo alcanzado por un varón fue de $390000. Para las mujeres, por otro lado, fue de $150000"
## [1] "Para el sector Otras ramas, el ingreso máximo alcanzado por un varón fue de $70000. Para las mujeres, por otro lado, fue de $60000"
## [1] "Para el sector Actividades no bien especificadas, el ingreso máximo alcanzado por un varón fue de $100000. Para las mujeres, por otro lado, fue de $80000"Retomamos lo introducido en la clase 2: la función es una forma de encapsular una serie de operaciones a las que vayamos a recurrir más de una vez, esta es su estructura general:
fun_ej <- function(argumentos) {
# [se hace algún cómputo]
}En este caso, vamos a utilizar esta herramienta -en conjunto con la iteración- para generar una serie de gráficos donde se visualice la distribución de los ingresos de las mujeres y los varones que se desempeñan en cada sector productivo de acuerdo con las horas que trabajan por semana.
Primero, vamos a generar los datos que vamos a graficar:
vector_valores <- unique(base$caes_eph_label)
# En esta lista vamos a guardar nuestros resultados
datos_graf <- list()
for (valor in (seq(length(vector_valores)))) {
tabla_resumen <- base %>%
filter(caes_eph_label == vector_valores[valor]) %>%
filter(Ing_Ocup_Principal > 0) %>%
filter(Horas > 0) %>%
filter(Horas != 999) %>%
group_by(SEXO, Ing_Ocup_Principal, Horas) %>%
summarise(Casos = sum(PONDIIO, na.rm = T), sector = unique(caes_eph_label))
datos_graf[[valor]] <- tabla_resumen
}Luego, creamos nuestra función que grafica la información de una tabla:
crear_grafico = function(tabla) {
ggplot(tabla, aes(x = Horas, y = Ing_Ocup_Principal, size = Casos, color = SEXO)) +
geom_point(alpha = 0.4) + theme_minimal() + scale_color_manual(values = c("deeppink4",
"mediumseagreen")) + scale_size_continuous(range = c(2, 15)) + scale_y_continuous(labels = function(x) paste0("$",
x)) + facet_wrap(~SEXO, scales = "fixed", nrow = 1) + labs(title = unique(tabla$sector),
y = "Ingreso de la ocupación principal", x = "Horas semanales trabajadas",
color = "Sexo") + theme(legend.position = "bottom") + ggsave(paste0("clase6/graficos/",
tolower(str_replace_all(unique(tabla$sector), " ", "_")), ".png"))
}Finalmente, la aplicamos de forma iterativa:
for (i in seq(length(datos_graf))) {
crear_grafico(datos_graf[[i]])
}Los resultados de nuestro prcesamiento están guardados en la carpeta graficos de la clase 6.